随着信息技术的迅速发展和网络的广泛应用,网络攻击的形式越来越多样化和复杂化。传统的网络安全设备在检测网络攻击方面面临越来越大的挑战,很难完全防范网络攻击的发生。因此如何在网络攻击发生后,快速检测已发生的攻击路径,有助于对潜在的网络攻击进行拦截,减小损失。其中,基于系统日志进行因果分析成为攻击路径检测的重要解决方法。但是,海量的系统日志导致构建的因果关系图规模庞大,容易出现搜索路径爆炸问题,导致检测准确率下降。相比之下,基于机器学习的攻击路径检测方法虽然效果较好,但算法或模型的黑盒特性使其缺乏一定的可解释性。针对上述问题,本文基于溯源知识图谱,研究系统日志的缩减方法和可解释的攻击路径检测方法。首先,使用溯源知识图谱来表示系统日志,并对溯源知识图谱进行降噪和缩减。然后利用注意力机制实现对攻击序列的检测分类,以便发现攻击路径。本文的研究工作主要有以下三点:（1）针对海量系统日志导致的图规模庞大和搜索路径爆炸问题,本文首先利用溯源知识图谱对系统日志进行图表示,然后结合多种前人的研究方法对溯源知识图谱进行降噪,最后基于关键特征对溯源知识图谱的边进行权重计算,通过边权重完成对溯源知识图谱缩减,从而进一步缓解搜索路径爆炸问题。通过对溯源知识图谱规模缩减前后的边和节点数量对比,发现边平均缩减了约93%,节点平均缩减了约86%,同时缩减后的溯源知识图谱仍包含了完整的攻击信息,验证了本文提出方法的有效性。（2）针对攻击路径检测困难和机器学习算法缺乏可解释性的问题,本文引入了注意力机制来识别路径序列中重要的系统操作,以解释攻击序列。同时,本文还构建了路径序列的向量表示,以便分类模型对攻击序列进行分类检测。实验结果表明,本文提出的方法在DARPA TC E3数据集中的六种攻击数据检测任务中,检测精确率为95.03%,召回率为92.72%。这表明本文提出的方法是有效的。（3）设计并实现了一个基于溯源知识图谱的攻击路径检测系统,该系统将研究算法集成到不同的模块中,具有良好的用户交互界面和数据可视化展示功能,便于用户使用。该系统的输入为系统日志数据,经过算法处理和分析后输出为攻击序列。